【ML】混淆矩阵（Accuracy，Precision，Recall，F1）

已于 2022-12-20 17:28:28 修改
阅读量2.1k 收藏 8
点赞数 3
分类专栏： 机器学习 文章标签： 人工智能 算法
于 2022-12-20 17:27:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43002640/article/details/128386505
版权
混淆矩阵是评估分类模型性能的重要工具，包括TP、TN、FP和FN四个概念。精确度（Accuracy）衡量整体预测正确的比例，查准率（Precision）关注预测为正例中真正例的比例，查全率（Recall）表示所有正例被预测正确的比例，而F1分数综合考虑了查准率和查全率。模型评估时，这些指标能帮助优化算法性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

混淆矩阵（评价模型的重要指标）

在这里插入图片描述
如上图，有以下规律：深绿色为预测真确，浅绿色为预测错误，也可以说以T开头的都是预测对的，以F开头的都是预测错误的。比如TP：即预测为真的实际也为真的样本数量，反过来，FP：即为预测为真实际为假，即假真（很拗口，可以把真改为分类更好理解，比如TP：解释为分类1被正确预测为分类1）。（这里是二分类，多分类也可以画一个这个表，左上到右下的对角线上的则为分类预测正确的样本）

举例描述

下面的描述，举个例子：公司办化妆舞会，有些男人扮做女人，有些女人扮做男人。找一个陌生人给每个人贴上他认为是男是女的标签（即预测过程）。

Accuracy（精确度）：(TP+TN)/(TP+TN+FP+FN)。即所有被贴对性别标签的人占总人数的比例。就是【预测正确的样本】数占【总样本的数量】的百分比。
Precision（查准率）：也有叫正确率，准确度的。TP/(TP+FP)。即随机找出被贴上男性标签的人，其中【真男人】有多少。
Recall（查全率）：也叫召回率。TP/(TP+FN)。即随机找出一批真男人（TP：真男人，FN：假女人也是真男人），其中被贴上【真男人】标签的有多少。
F1（综合得分）：综合了Precision和Recall

混淆矩阵,准确率,精确率,F1
Jiashilin
04-27 1万+
一级指标（最底层的）： 真实值是positive，模型认为是positive的数量（True Positive=TP） 真实值是positive，模型认为是negative的数量（False Negative=FN）：这就是统计学上的第一类错误（Type I Error） 真实值是negative，模型认为是positive的数量（False Positive=FP）：这就是统计学上的第二类...
分类任务中的评估指标：Accuracy、Precision、Recall、F1
一杯水果茶！足矣~
03-28 1638
分类任务中的评估指标概念及理解，简单易懂。
混淆矩阵、F1score详解
m0_68165821的博客
08-14 2978
直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度。预测结果中，预测为正的样本中预测正确的概率。预测为正的正例样本与全部预测为正例的样本 （对于预测而言，包括真正例TP，假正例FP）的比值。预测为正的正例占全部实际为正例的样本 （可能将实际正例预测为正例即真正例TP，也可能实际正例预测为负例即假负例FN）的比例（真正正确的占所有实际为正的比例）以实际样本为判断依据，实际为正例的样本中，被预测正确的正例占总实际正例样本的比例。由上图例可知F1= (2。
机器学习中的模型评估：混淆矩阵与性能指标
最新发布
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-20 1258
在机器学习项目中，评估模型的性能是确保模型有效性和可靠性的关键步骤。混淆矩阵（Confusion Matrix）是评估分类模型性能的重要工具，它通过展示模型在各个类别上的预测结果，帮助我们深入了解模型的表现。本文将从混淆矩阵的基本概念出发，介绍常用的性能指标，并通过一个完整的代码示例带你入门，同时探讨其应用场景和注意事项。混淆矩阵是一个表格，用于描述分类模型在测试数据上的预测结果。它显示了模型在各个类别上的真正例（TP）、假正例（FP）、真负例（TN）和假负例（FN）的数量。真正例（TP）
02_混淆矩阵、准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure) +Roc曲线和PR曲线+sklearn中分类模型评估API+ 自己补充整理
涂作权的博客
04-09 5772
一、准确率、精确率、召回率和F值是选出目标的重要评价指标。不妨先看看这些指标的定义： (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负...
分类器的性能指标，混淆矩阵，Accuracy与recall等
02-13
用于计算一个分类器的性能指标和混淆矩阵，指标有accuracy,error,precision,recall,F1等。直接调用函数，写入预测结果和实际结果即可。
混淆矩阵
weixin_33918357的博客
08-19 1031
混淆矩阵（confusion matrix）衡量的是一个分类器分类的准确程度。理解其概念本身容易理解，但一些特定术语易被混淆。 混淆矩阵适用于包含多个分类器的问题，本文为了让读者理解更加容易，以二元分类的混淆矩阵为例进行讲解。 观察混淆矩阵，可得如下结论： 示例是一个二元分类问题，产生两种可能的分类：“是”或者“不是”。当预测一个事件是否发生时...
NLP基础：机器学习指标 Accuracy Precision Recall F1
weixin_43639369的博客
10-27 1025
NLP基础：机器学习指标 Accuracy Precision Recall F11. 混淆矩阵2. 例子3. Accuracy4. Precision5. Recall6. F1 score7. macro-8. micro-9. 利用sklearn内置函数计算macro、micro指标 1. 混淆矩阵 对于二分类，混淆矩阵如下： 其中，T代表True，F代表False，P代表Positive， N代表Negative，TP可以形象的记忆为正确的分为了正样本，FN可以记为错误的分为了负样本，FP可以记
【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现
热门推荐
钱多多先森
08-14 4万+
深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述
R语言构建混淆矩阵(仿真数据)并基于混淆矩阵（confusion matrix）计算并计算Accuracy、Precision、Recall（sensitivity）、F1、Specificity指标
data+scenario+science+insight
11-22 2133
R语言构建混淆矩阵(仿真数据)并基于混淆矩阵（confusion matrix）计算并计算Accuracy、Precision、Recall、Specificity指标
分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线
少年龙龙的博客
05-11 1万+
文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit
分类问题（二）混淆矩阵，Precision与Recall
01-20
混淆矩阵 衡量一个分类器性能的更好的办法是混淆矩阵。它基于的思想是：计算类别A被分类为类别B的次数。例如在查看分类器将图片5分类成图片3时，我们会看混淆矩阵的第5行以及第3列。 为了计算一个混淆矩阵，我们首先需要有一组预测值，之后再可以将它们与标注值（label）进行对比。我们也可以在测试集上做预测，但是最好是先不要动测试集（测试集仅需要在最后的阶段使用，在我们有了一个准备上线的分类器后，最后再用测试集测试性能）。接下来，我们可以使用cross_val_predict() 方法： from sklearn.model_selection import cross_val_predict y_t
Lesson 5.2 混淆矩阵与 F1-Score
每天进步一点点！
02-04 3046
混淆矩阵与 F1-Score
机器学习的评估指标，混淆矩阵、recall、TP,FP等含义
q1030460485的博客
04-13 4184
机器学习的评估指标 目录： 混淆矩阵（confusion matrix） 准确率（accuracy） 查准率（precision） 查全率（recall） P-R 曲线 F-β 分数 机器学习要建模，需要有指标来衡量模型性能的好坏，即模型的泛化能力，这就是性能度量。通过指标来对比不同模型，从而知道模型的好坏程度，并通过这个指标来进一步调参逐步优化模型。 1、混淆矩阵（confusion matrix） 在二分类的模型中，把预测情况与实际情况的所有结果进行组合，就会有真正 (true p..
机器学习——混淆矩阵、Precison、Recall、Accuracy、F1-score的使用
君莫笑的博客
04-12 2万+
假设有10个样本，属于A、B、C三个类别。假设这10个样本的真实类别和预测的类别分别是： 真实：A A A C B C A B B C 预测：A A C B A C A C B C （1） 求出混淆矩阵。 （2）求出每个类别的P, R, 和F1。 草稿纸解： 略···· 直接套公式即可，可以看以下文章中的混淆矩阵部分。 机器学习——分类评价指标_猿_同学的博客-CSDN博客ROC是一个用于度量分类中的非均衡性的工具，ROC曲线及AUC常被用来评价一个二值分类器的优劣。为什么要使用ROC和AU
混淆矩阵怎么看_分类模型评判指标--混淆矩阵
weixin_39613744的博客
11-22 3万+
简介混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。一句话解释就是 ：混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。定义以分类模型中最简单的二分类为例，对于这种问题，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。我们通过样本的采集，能够直接知道...
混淆矩阵、准确率、F1和召回率的具体实现及混淆矩阵的可视化
a645676的博客
10-17 7533
混淆矩阵、准确率、精确率、召回率、F1的计算具体实现和混淆矩阵的可视化
混淆矩阵和F1结果是不同的概念
weixin_44943389的博客
10-30 234
通常，混淆矩阵是通过将一组数据的实际标签与模型的预测结果进行比较得到的，而 F1 分数则是基于混淆矩阵中的 TP、FP 和 FN 进行计算的评估指标。混淆矩阵提供了更多的细节，而 F1 分数提供了一个综合评估模型性能的单一指标。虽然混淆矩阵提供了更详细的分类性能信息，但它不是根据 F1 分数来绘制的，而是直接基于模型的预测结果和实际标签进行统计得到的。混淆矩阵和 F1 分数是两个不同的概念，它们之间没有直接的依赖关系。
算法模型评估之混淆矩阵，accuracy，查准率，查全率，AUC（ROC）等小总结
Miracle8070
12-13 9186
学习机器模型，少不了借助一些策略来评估模型的好坏，而准确率、精确率（查准率）、召回率（查全率）、F1值、ROC曲线的AUC值，都可以作为评价一个机器学习模型好坏的指标（evaluation metrics），而这些评价指标直接或间接都与混淆矩阵有关，前四者可以从混淆矩阵中直接计算得到，AUC值则要通过ROC曲线进行计算，而ROC曲线的横纵坐标又和混淆矩阵联系密切，所以在了解这些评价指标之前，先知道...
分类任务评测标准：混淆矩阵、Accuracy、Precision、Recall
混淆矩阵（Confusion Matrix）是分类任务中非常重要的概念，它可以帮助我们更好地理解模型的性能。混淆矩阵可以分为四个部分：True Positive、True Negative、False Positive、False Negative。 True Positive（TP...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值